CTスキャンからのPET活性の定量化

科学分野:

• 放射線科および医用画像処理
• 医用人工知能
• 代謝健康研究

背景:

• 褐色脂肪組織（BAT）は、エネルギー代謝および心血管代謝の健康にとって重要である。
• 18F-FDG PETはBAT検出の標準であるが、高価であり、放射線を伴う。
• BAT代謝活性を評価するための非侵襲的でスケーラブルな方法が必要とされている。

研究 の 目的:

• 標準的な非造影CTスキャンから脂肪組織の代謝活性を推定するための深層学習モデルを開発および検証すること。
• 放射性トレーサーや追加の放射線被曝なしに、BAT機能のPET様洞察を可能にすること。
• 代謝健康および疾患に関する大規模スクリーニングおよび研究を促進すること。

主な方法:

• 条件付き敵対的生成ネットワーク（cGAN）モデルを、2つの独立したコホートからのペアのPET/CTデータを使用してトレーニングした。
• cGANモデルは、CTで同定された脂肪組織領域の標準化取り込み値（SUV）を予測した。
• 代謝シグナル推定を改善するために、特殊な脂肪焦点損失関数を組み込んだ。

主要な成果:

• 深層学習モデルは、予測されたSUV値とPET由来の代謝活性との間に強い一致を示した。
• この手法は、異なる解剖学的領域および独立したデータセット間で高い再現性を示した。
• このモデルは、通常のCTスキャンからPET様の代謝洞察を正常に提供した。

結論:

• 標準CTスキャンを使用した深層学習アプローチは、脂肪組織の代謝活性を評価するための放射線節約型代替法を提供する。
• この方法は、BAT、代謝健康、および疾患の進行に関する集団ベースの研究をサポートできる。
• この技術は、特定の研究および臨床設定における高価で放射線集約的なPETイメージングの必要性を排除する。